temarios asignaturas

TEMARIOS ASIGNATURAS

MÁSTER UNIVERSITARIO EN CIENCIAS SOCIALES COMPUTACIONALES

CURSO 2022/2023

2

TEMARIOS ASIGNATURAS

MATERIA 1 FUNDAMENTOS DE LA CIENCIA SOCIAL COMPUTACIONAL

1. Introducción ○ ¿Qué es la ciencia social computacional (CSS)? ○ El paradigma de la CSS ○ Primeros ejemplos ○ La sociedad como sistema complejo adaptativo ○ Principales áreas de la CSS

2. Big data ○ Extracción automática de información y data mining ○ Técnicas de análisis ○ Ejemplos

3. Redes sociales ○ Redes complejas: definiciones básicas ○ Análisis cuantitativo de redes y software ○ Ejemplos

4. Complejidad social ○ Fundamentos y características ○ Indicadores cuantitativos ○ Leyes de la complejidad social

5. Modelos y simulaciones ○ Construcción de modelos ○ El propósito de las simulaciones ○ Software básico: NetLogo ○ Ejemplos

1. Introduction ○ What is computational social science (CSS)? ○ The paradigm of CSS ○ First examples ○ Society as a complex adaptive system ○ Main areas of CSS

2. Big data ○ Automatic information extraction and data mining ○ Analysis techniques ○ Examples

3. Social networks ○ Complex networks: basic definitions ○ Quantitative network analysis and software ○ Examples

4. Social complexity ○ Fundamentals and characteristics ○ Quantitative indicators ○ Laws of social complexity

5. Models and simulations ○ Model construction ○ The purpose of simulations ○ Basic software: NetLogo ○ Examples

MATERIA 1

FUNDAMENTOS DE LA CIENCIA SOCIAL COMPUTACIONAL

3

TEORÍAS DEL COMPORTAMIENTO EN LAS CIENCIAS SOCIALES

1. Explicación sociológica y mecanismos sociales ○ La explicación intencional y sus problemas ○ Interpretación vs. explicación ○ Modelos clásicos: conductismo, culturalismo, teoría

de roles, estructuralismo, interaccionismo, teoría del habitus

2. Teoría de la elección racional y racionalidad de la conducta ○ Interacción estratégica y teoría de juegos ○ Acción colectiva y cooperación social ○ Dilemas sociales y sus soluciones

3. Teoría DBO ○ Efectos de composición y resultados sociales no

intencionados ○ El “barco de Coleman”: el individualismo

metodológico y el problema micro-macro ○ El debate sobre la “sociología analítica”

4. Ciencia social conductual ○ El “enriquecimiento conductual” de la elección

racional ○ Racionalidad limitada, sesgos cognitivos y heurísticas

sociales ○ Motivaciones prosociales, reciprocidad y altruismo

5. Influencia social, contagio, imitación y difusión ○ Confianza social. ○ Teoría de la señalización y conducta aparentemente

irracional 6. Normas sociales y convenciones

○ Normas subóptimas e ignorancia plural ○ Falsificación de preferencias ○ Poder, status y jerarquías de status ○ Desigualdad

7. Biología vs. socialización y cultura como factores explicativos ○ Ciencia social evolucionaria y teoría evolutiva de la

cultura ○ Las bases biológicas de la conducta social

1. Sociological explanation and social mechanisms ○ Intentional explanation and its problems ○ Interpretation vs explanation ○ Classical models: behaviorism, culturalism, role

theory, structuralism, interactionism, habitus theory 2. Rational choice theory and rationality

○ Strategic interaction and game theory ○ Collective action and social cooperation ○ Social dilemmas and their solutions

3. DBO theory ○ Composition effects and unintended social outcomes ○ The ‘Coleman’s boat’: methodological individualism

and the micro-macro problem ○ The debate on ‘analytical sociology’

4. Behavioural social science ○ The ‘behavioural enrichment’ of rational choice ○ Limited rationality, cognitive biases, and social

heuristics ○ Pro-social motivations, reciprocity, and altruism

5. Social influence, contagion, imitation, and diffusion ○ Trust and trustworthiness ○ Signalling theory and apparently irrational behaviour

6. Social norms and conventions ○ Suboptimal norms and pluralistic ignorance ○ Falsification of preferences ○ Power, status and status hierarchies ○ Inequality

7. Biology vs. socialization and culture as explanatory factors ○ The debate on nature vs. nurture ○ Evolutionary social science and cultural theory.

Biological basis of social behaviour

TEORÍAS DEL COMPORTAMIENTO EN LAS CIENCIAS SOCIALES

4

CUESTIONES SOCIALES Y ÉTICAS DEL BIG DATA Y LA IA

1. Ética en las Ciencias Sociales Computacionales ○ ¿Qué es la ética? La ética como vida buena y como

paz social ○ La libertad como constitutiva radical del ser humano y

como fenómeno observable en las ciencias sociales ○ Responsabilidad personal ante la influencia

psicológica del entorno ○ La racionalidad de la ética: ética pública y ética

privada. ¿Se puede razonar sobre lo bueno y lo malo? ○ Ingeniería social: responsabilidad ante las

transformaciones de la sociedad 2. Efectos en el mundo real y consecuencias no deseadas de

los sistemas algorítmicos ○ Ética algorítmica programada y ética algorítmica

aprendida ○ Cómo valorar la predicción de consecuencias en las

decisiones éticas (humanas y algorítmicas) ○ ¿Deberíamos tener miedo a la inteligencia artificial?

3. Capitalismo de vigilancia ○ Qui prodest? ¿A quién benefician mis búsquedas? ○ Empresas tecnológicas: sostenibilidad económica y

creación de adicciones ○ Cómo lograr que la tecnología no se vuelva contra

nosotros 4. Legislación y protección de datos personales y privacidad

○ El modelo europeo frente al norteamericano y el chino

○ ¿Algo que ocultar? Qué son datos sensibles, y por qué son sensibles

○ Por qué no basta solo con el compromiso ético de las grandes corporaciones, y por qué no basta solo con la legislación y el control externo

1. Ethics in Computational Social Sciences ○ What is ethics? Ethics as good life and as social peace. ○ Freedom as a radical constitutive of the human being

and as an observable phenomenon in the social sciences

○ Personal responsibility before the psychological influence of the environment

○ The rationality of ethics: public ethics and private ethics. Is it possible to reason about right and wrong?

○ Social engineering: responsibility before the transformations of society

2. Real-world effects and unintended consequences of algorithmic systems ○ Programmed algorithmic ethics and learned

algorithmic ethics ○ How to assess the predictability of consequences in

ethical decisions (human and algorithmic) ○ Should we be afraid of artificial intelligence?

3. Surveillance capitalism ○ Qui prodest? Who benefits from my searches? ○ Technology companies: economic sustainability and

creation of addictions ○ How to ensure that technology does not turn against

us 4. Legislation and protection of personal data and privacy

○ The European model versus the North American and Chinese models

○ Something to hide? What is sensitive data, and why is it sensitive

○ Why the ethical commitment of large corporations alone is not enough, and why legislation and external control alone is not enough

CUESTIONES SOCIALES Y ÉTICAS DEL BIG DATA Y LA IA

5

MATERIA 2 DISEÑO DE INVESTIGACIÓN PARA LAS CIENCIAS SOCIALES

1. Introducción ○ La importancia del diseño de investigación en ciencias

sociales ○ Qué significa responder a una pregunta con evidencia

empírica ○ Tipos de investigación empírica

2. Preguntas de investigación ○ Cómo encontrarlas y cómo trabajar con ellas ○ Descripción y explicación ○ Variables y relaciones entre variables

3. Tipos de diseño de investigación y de información empírica ○ Estudios de caso, estudios comparados, estudios

cuantitativos con muestras grandes ○ Ventajas, desventajas y complementariedades ○ Tipos de evidencia empírica ○ Unidad de análisis y variabilidad ○ Problemas de medición

4. Causalidad ○ Predicción, correlación, probabilidad ○ Efectos causales y mecanismos causales ○ Explicaciones basados en mecanismos ○ Niveles de explicación: macro, meso, micro ○ Grafos dirigidos acíclicos

5. Problemas en inferencia causal ○ Relaciones espurias, sesgo de selección, collider bias,

etc. ○ Problemas de inferencia interna y externa ○ Falacia ecológica, difusión, validez externa, etc.

6. Diseño de investigación para identificar relaciones causales ○ Ideal del método experimental en ciencias naturales ○ Contrafácticos y cómo aproximarse a ellos ○ Ventajas y desventajas del diseño de inferencia causal

7. Introducción a la lógica de la metodología de inferencia causal ○ Entendiendo las técnicas más comunes:

experimentos, difference-in-differences, RDD, matching, etc.

1. Introduction ○ Importance of research design in social sciences ○ What it means to answer a question with empirical

evidence ○ Types of empirical research

2. Research questions ○ How to find them and how to work with them ○ Description and explanation ○ Variables and relationships between variables

3. Types of research design and empirical information ○ Case studies, comparative studies, quantitative

studies with large samples ○ Advantages, disadvantages and complementarities ○ Types of empirical evidence ○ Unit of analysis and variability ○ Measurement problems

4. Causality ○ Prediction, correlation, probability ○ Causal effects and causal mechanisms ○ Mechanism-based explanations ○ Levels of explanation: macro, meso, micro ○ Directed Acyclic Graphs

5. Problems in causal inference ○ Confounding, selection bias, collider bias, etc. ○ Problems of internal and external inference ○ Ecological fallacy, diffusion, external validity, etc.

6. Research design to identify causal relationships ○ Ideal of experimental method in natural sciences ○ Counterfactuals and how to approach them ○ Advantages and disadvantages of causal inference

design 7. Introduction to the logic of causal inference methodology

○ Understanding the most common techniques: experiments, difference-in-differences, RDD, matching, etc.

MATERIA 2

DISEÑO DE INVESTIGACIÓN PARA LAS CIENCIAS SOCIALES

6

METODOLOGÍA DE ENCUESTAS I

1. Introducción a la investigación con encuestas 2. Las encuestas y el proceso de investigación 3. Medición

○ Conceptualización de ideas y operacionalización ○ Preguntas pre-test ○ Error de medición ○ Validación y confiabilidad

4. Modos de recogida de datos ○ Cara a cara ○ Teléfono / Móvil ○ Web / Paneles en línea / SMS / Otros ○ Métodos mixtos

5. Muestreo y poblaciones ○ Introducción a la teoría del muestreo

■ Validez ■ Error

○ Tipos de muestras ■ Probabilística ■ No probabilístico ■ Poblaciones ocultas ■ Enfoques de gráficos/redes

○ Ajustes posteriores al muestreo ■ Estimación de la varianza ■ Ponderación ■ No respuesta

1. Introduction on Survey Research 2. Surveys and the Research Process 3. Measurement

○ Conceptualizing Ideas and operationalizing questions ○ Pre-Testing Questions ○ Measurement error ○ Validation and reliability

4. Modes of Data Collection ○ Face-to-face ○ Telephone / Mobile ○ Web / Online panels / SMS / Others ○ Mixed methods

5. Sampling and Populations ○ Introduction to sampling theory

■ Validity ■ Error

○ Types of samples ■ Probabilistic ■ Non-probabilistic ■ Hidden-populations ■ Graph/network approaches

○ Post-sampling adjustments ■ Variance estimation ■ Weighing ■ Non-response

METODOLOGÍA DE ENCUESTAS II

1. Análisis de datos de encuesta ○ Operacionalización y preparación de variables ○ Análisis con datos de sección cruzada ○ Análisis con datos panel ○ Análisis con datos jerárquicos ○ Ejemplos prácticos

2. Predicción con datos de encuesta ○ Predicción versus explicación ○ Evaluación del modelo predictivo

3. Tratamiento de los casos perdidos ○ Análisis de datos completos ○ Sustitución por la media/mediana ○ Imputación múltiple

4. Presentación de datos y resultados 5. Ejemplos prácticos

1. Survey data analysis ○ Operationalization and data cleaning ○ Cross-sectional data analysis ○ Panel data analysis ○ Multilevel analysis

2. The use of survey data in forecasting ○ Predicting versus explaining ○ Performance evaluación

3. Dealing with missing data ○ Complete case analysis ○ Mean/median substitution ○ Multiple imputation

4. Data reporting 5. Worked examples

METODOLOGÍA DE ENCUESTAS I

METODOLOGÍA DE ENCUESTAS II

7

ANÁLISIS DE REDES SOCIALES

1. Introducción, definiciones y principales conceptos ○ Datos "enredados". Procesos sociales que puede

representarse como redes ○ Definición de red y redes aleatorias

2. Medidas para el análisis relacional de datos de redes sociales ○ Análisis estadístico de redes sociales ○ Medidas locales: grado, transitividad, asortatividad ○ Centralidad en redes sociales ○ Estructura de comunidades y de mundo pequeño ○ Importancia de los enlaces fuertes y débiles

3. Estructura y comportamiento de las redes ○ Procesos de contagio social. Homofilia vs. influencia ○ Formación de enlaces, dinámica de redes ○ Polarización y coordinación en redes sociales ○ Resiliencia de redes sociales

4. Visualización de redes sociales ○ Introducción a paquetes de visualización de redes

sociales ○ Taller de visualización de redes sociales en Twitter

5. Ejemplos prácticos ○ Análisis de conversaciones en redes sociales ○ Modelos de propagación de epidemias en redes ○ Marketing en redes sociales ○ Segregación en redes sociales y zonas urbanas

1. Introduction, definitions and main concepts ○ "Linked" data. Social processes that can be

represented as networks ○ Definition of network and random networks

2. Measures for relational analysis of social network data ○ Statistical analysis of social networks ○ Local measures: degree, transitivity, asortativity ○ Centrality in social networks ○ Structure of communities and small world

phenomena ○ Importance of strong and weak links

3. Structure and behavior of networks ○ Social contagion processes. Homophilia vs. influence ○ Formation of links, network dynamics ○ Polarization and coordination in social networks ○ Resilience of social networks

4. Visualization of social networks ○ Introduction to social media display packages ○ Workshop on visualization of social networks on

Twitter 5. Practical examples

○ Analysis of conversations in social networks ○ Models of epidemic propagation in networks ○ Marketing in social networks ○ Segregation in social networks and urban areas

ANÁLISIS DE REDES SOCIALES

8

MATERIA 3 PROGRAMACIÓN DE DATOS

1. Programación en R ○ Tipos de datos y operaciones principales ○ Condicionales and control de flujo ○ Bucles y programación vectorial ○ Funciones ○ Entender errores y depurar el código

2. Manejo de datos ○ Importar y exportar datos tabulares ○ Filtrado y reordenación de datos ○ Análisis exploratorio básico ○ Agregación de datos. La familia "apply" ○ Combinar data frames ○ Formatos largo y ancho

3. Ecosistema R ○ Paquetes y CRAN ○ Tendencias y referentes

4. Tidyverse ○ El operador "Pipe" ○ Paquete tidyr ○ Paquete dplyr

5. Tipos de datos avanzados ○ Factores ○ Fechas y horas: paquete lubridate ○ Cadenas de texto: expresiones regulares y paquete

stringr

1. R programming ○ Basic data types and operations ○ Conditionals and control flow ○ Loops and vectorial programming ○ Functions ○ Understanding errors and debugging

2. Data handling ○ Importing and exporting tabular data ○ Data filtering and reordering ○ Basic Exploratory Data Analysis ○ Data aggregation. The apply family ○ Joining data frames ○ Long and wide formats

3. R Ecosystem ○ Packages and CRAN ○ Important contributors and future trends

4. Tidyverse ○ Pipe operator ○ tidyr package ○ dplyr package

5. Advanced data types ○ Factors ○ Dates and times: lubridate package ○ Strings: regular expressions and stringr package

MATERIA 3

PROGRAMACIÓN DE DATOS

9

VISUALIZACIÓN DE DATOS

1. Fundamentos de la práctica gráfica ○ Por qué hacer gráficas ○ Integridad gráfica ○ Percepción gráfica ○ Principios de representación gráfica

2. La gramática de los gráficos en R ○ Construir gráficos capa a capa ○ Guías y escalas ○ Sistemas de coordenadas ○ Facetas ○ Estilos

3. Visualización de datos en R ○ Distribución ○ Correlación ○ Ranking ○ Parte de un todo ○ Evolución ○ Mapa ○ Flujo ○ Otras técnicas

4. Comunicación de datos en R ○ R Markdown ○ Documentos y notebooks ○ Presentaciones ○ Otros formatos ○ Dashboards

1. Fundamentals of graphical practice ○ Why graphics ○ Graphical integrity ○ Graphical perception ○ Principles of graphical representation

2. The grammar of graphs in R ○ Building graphs layer by layer ○ Guides and scales ○ Coordinate systems ○ Facets ○ Themes

3. Data visualization in R ○ Distribution ○ Correlation ○ Ranking ○ Part of a whole ○ Evolution ○ Maps ○ Flow ○ Other techniques

4. Data communication in R ○ R Markdown ○ Documents and notebooks ○ Presentations ○ Other formats ○ Dashboards

VISUALIZACIÓN DE DATOS

10

EXTRACCIÓN DE DATOS

1. Introducción al Web Scraping ○ ¿Qué es el Web Scraping? ○ Tipos de Web Scraping ○ Formatos de datos: XML y HTML ○ Acceso práctico a XML y HTML ○ Automatización de los programas de Web Scraping ○ Selenium y scraping basado en JavaScript ○ Cuestiones éticas del Web Scraping ○ Ejercicios prácticos

2. APIs de datos ○ Qué es una API ○ Fundamentos de la comunicación de la API ○ Introducción al formato JSON ○ Crea tu propia API (y compártela) ○ Arquitectura REST ○ Las API como forma de compartir y obtener datos (de

cualquier tipo) ○ Automatización de las solicitudes de la API ○ Hablar con las bases de datos ○ Autenticación y acceso ético a las APIs ○ Ejercicios prácticos

3. Automatización de la adquisición de datos ○ ¿Por qué necesitamos la automatización? ○ Acceso a los servidores ○ Tecnologías para la automatización de programas ○ Automatización de trabajos cron ○ Tareas de registro ○ Ejercicios prácticos

1. An introduction to Web Scraping ○ What is Web Scraping? ○ Types of Web Scraping ○ Data formats: XML and HTML ○ Practical access to XML and HTML ○ Automation for Web Scraping programs ○ Selenium and JavaScript based scraping ○ Ethical issues with Web Scraping ○ Practical exercises

2. Data APIs ○ What is an API ○ Fundamentals of API communication ○ An introduction to the JSON format ○ Create your own API (and share it) ○ REST architecture ○ APIs as a way to share and obtain data (any kind) ○ Automation of API requests ○ Talking with Databases ○ Authentication and ethical access to APIs ○ Practical exercises

3. Automation of Data Acquisition ○ Why do we need automation? ○ Accessing servers ○ Technologies for automating programs ○ Automating cron jobs ○ Logging tasks ○ Practical exercises

EXTRACCIÓN DE DATOS

11

MINERÍA DE TEXTO

1. Introducción teórica al Procesamiento del Lenguaje Natural ○ Breve historia de la lingüística computacional y

principales avances ○ Qué es el PLN y su papel en la Inteligencia Artificial ○ Estructura de un pipeline básico de PLN ○ Tareas y aplicaciones más comunes en la industria ○ Importancia actual en la sociedad digital, principales

iniciativas 2. Introducción práctica al análisis automático del lenguaje

con R ○ Importación de texto original, diseño de dataset y

creación de estructuras de datos ○ Limpieza de texto, eliminación de stopwords y

símbolos, valores ausentes y duplicados ○ Procesos de división y tokenización ○ Análisis básicos: conteo de palabras, extracción de n-

gramas, tablas de frecuencias ○ Análisis intermedios: análisis de distintividad, tf-idf,

bag of words 3. Introducción al análisis de sentimiento

○ Qué es el análisis automático del sentimiento en un texto: la opinión, la emoción y la intención del emisor

○ Casos reales de análisis de sentimiento en la industria y limitaciones

○ Ejercicios prácticos de análisis automático de sentimiento: uso de lexicones y diccionarios, asignación automática de sentimiento, segmentación, nubes de palabras

○ Creación de gráficos e informes de análisis de sentimiento

4. Introducción al modelado de tópicos ○ Qué es el modelado de tópicos, usos en la industria ○ Clasificación de textos en categorías: métodos

supervisados y no supervisados ○ Ejercicios prácticos de modelado de tópicos:

asociación de palabras y tópicos, identificación y caracterización de grupos naturales, términos comunes y solapamiento

○ Creación de gráficos e informes de modelado de tópicos para identificación de ideas representativas

5. Modelos de lenguaje ○ Qué son los modelos de lenguaje pre-entrenados y su

impacto en el desarrollo del PLN y el aprendizaje automático

○ Usos e implicaciones en la industria y situación actual, principales iniciativas

○ Ejercicios prácticos de uso y evaluación de modelos predictivos básicos con datos en texto

1. Theoretical introduction to Natural Language Processing ○ Brief history of computational linguistics and main

developments ○ What is Natural Language Processing and its role in

Artificial Intelligence ○ Structure of a basic NLP pipeline ○ Most common tasks and applications in the industry ○ Current importance in the digital society, main

initiatives 2. Practical introduction to automatic language analysis with

R ○ Source text import, dataset design and creation of

data structures ○ Text cleaning, removal of stopwords and symbols,

missing values and duplicates ○ Splitting and tokenization processes ○ Basic analysis: word count, n-gram extraction,

frequency tables ○ Intermediate analysis: distinctiveness analysis, tf-idf,

bag of words 3. Introduction to sentiment analysis

○ What is automatic sentiment analysis in a text: opinion, emotion and intention of the speaker

○ Real-world cases of sentiment analysis in the industry and limitations

○ Practical training on automatic sentiment analysis: use of lexicons and dictionaries, automatic sentiment mapping, segmentation, word clouds

○ Creation of sentiment analysis graphs and reports 4. Introduction to topic modeling

○ What is topic modeling, main uses in the industry ○ Classifying text into categories: supervised and

unsupervised methods ○ Practical training in topic modelling: word and topic

association, natural group identification and characterization, common terms and overlapping

○ Creation of topic modeling graphs and reports for identification of representative ideas

5. Language models ○ What are pre-trained language models and their

impact on NLP and Machine Learning development ○ Uses and implications in the industry and current

status, main initiatives ○ Practical training on the use and evaluation of basic

predictive models with text data

MINERÍA DE TEXTO

12

MATERIA 4 ESTADÍSTICA Y CIENCIA DE DATOS I

1. Estimación paramétrica y no paramétrica 2. Inferencia avanzada 3. Introducción a la modelización avanzada 4. Ejemplos prácticos

1. Parametric and non parametric estimation 2. Advanced Inference 3. Introduction to advanced modelization 4. Empirical examples

ESTADÍSTICA Y CIENCIA DE DATOS II

1. Modelos Lineales Generalizados (GLM) ○ Modelos de regresión con variables dependientes e

independiente categóricas ○ Modelos para otro tipo de variables dependientes:

binarias, con relación de orden, multinomiales, conteos, etc.

2. Modelos Lineales Generalizados Mixtos (GLMM) 3. Ejemplos con datos reales

1. Generalized Linear Models (GLM) ○ Regression models for categorical dependent and

independent variables ○ Other models for other types of qualitative

dependent variables: binary, ordered, multinomial, counting, etc.

2. Generalized Linear Mixed Models (GLMM) 3. Real Life Examples

MODELADO AVANZADO

1. Introducción al Machine Learning ○ ¿Entender o predecir? ○ Sesgo vs Varianza ○ Evaluación del rendimiento de los modelos

2. Aprendizaje no-supervisado ○ Reducción de dimensión: PCA ○ Clustering: k-means, métodos jerárquicos

3. Aprendizaje supervisado ○ Clasificación: aprendizaje estadístico (clasificadores

Bayesianos), machine learning (knn, árboles de decisión, random forest, gradient boosting, redes neuronales)

○ Regresión avanzada: selección de modelos, regularización, selección de variables

4. Casos de estudio para todos los temas

1. Introduction to Machine Learning ○ To explain or to predict? ○ Bias vs Variance ○ Performance evaluation

2. Unsupervised Learning ○ Dimensionality reduction: PCA ○ Clustering: k-means, hierarchical methods

3. Supervised Learning ○ Classification: statistical learning (Bayesian classifiers),

machine learning (nearest neighbors, decision trees, random forest, gradient boosting, neural networks)

○ Advanced Regression: model selection, regularization tools, feature selection

4. Case Studies for all the topics

MATERIA 4

ESTADÍSTICA Y CIENCIA DE DATOS I

ESTADÍSTICA Y CIENCIA DE DATOS II

MODELADO AVANZADO

13

INFERENCIA CAUSAL PARA LAS CIENCIAS SOCIALES

1. ¿Por qué la causalidad? Introducción al marco de salidas potenciales

2. La comparación experimental 3. Datos observacionales y comparación experimental:

matching 4. Quasi-experimentos: Diseños de regresión discontinua 5. Quasi-experimentos: Variables instrumentales 6. Diferencias en diferencias y datos de panel 7. Inferencia causal aplicada: Evaluación de políticas

1. Why causality? Introduction to the potential outcome frameworks

2. The experimental benchmark 3. Observational data and the experimental benchmark:

Matching 4. Quasi-experiments: Regression Discontinuity Designs 5. Quasi-experiments: Instrumental variables 6. Difference-in-differences and panel data 7. Causal inference applied: Policy evaluations

INFERENCIA CAUSAL PARA LAS CIENCIAS SOCIALES